群體智能
出自 MBA智库百科(https://wiki.mbalib.com/)
目錄 |
什麼是群體智能[1]
群體智能這個概念來自對自然界中一些昆蟲，如螞蟻、蜜蜂等的觀察。單隻螞蟻的智能並不高，它看起來不過是一段長著腿的神經節而已。幾隻螞蟻湊到一起，就可以一起往蟻穴搬運路上遇到的食物。如果是一群螞蟻，它們就能協同工作，建起堅固、漂亮的巢穴，一起抵禦危險，撫養後代。這種群居性生物表現出來的智能行為被稱為群體智能。
群體智能的基本原則[1]
MillonasMM在1994年提出群體智能應該遵循五條基本原則，分別為:
(1)鄰近原則(Proximity Principle)，群體能夠進行簡單的空間和時間計算；
(2)品質原則(Quality Principle)，群體能夠響應環境中的品質因數；
(3)多樣性反應原則(Principleof Diverse Re-sponse)，群體的行動範圍不應該太窄；
(4)穩定性原則(Stability Principle)，群體不應在每次環境變化時都改變自身的行為；
(5)適應性原則(Adaptability Principle)，在所需代價不太高的情況下，群體能夠在適當的時候改變自身的行為。
這些原則說明實現群體智能的智能主體必須能夠在環境中表現出自主性、反應性、學習性和自適應性等智能特性。但是，這並不代表群體中的每個個體都相當複雜，事實恰恰與此相反。就像單隻螞蟻智能不高一樣，組成群體的每個個體都只具有簡單的智能，它們通過相互之間的合作表現出複雜的智能行為。可以這樣說，群體智能的核心是由眾多簡單個體組成的群體能夠通過相互之間的簡單合作來實現某一功能，完成某一任務。
其中，“簡單個體”是指單個個體只具有簡單的能力或智能，而“簡單合作”是指個體和與其鄰近的個體進行某種簡單的直接通信或通過改變環境間接與其它個體通信，從而可以相互影響、協同動作。
群體智能的特點[1]
(1)控制是分散式的，不存在中心控制。因而它更能夠適應當前網路環境下的工作狀態，並且具有較強的魯棒性，即不會由於某一個或幾個個體出現故障而影響群體對整個問題的求解。
(2)群體中的每個個體都能夠改變環境，這是個體之間間接通信的一種方式，這種方式被稱為“激發工作”(Stigmergy)。由於群體智能可以通過非直接通信的方式進行信息的傳輸與合作，因而隨著個體數目的增加，通信開銷的增幅較小，因此，它具有較好的可擴充性。
(3)群體中每個個體的能力或遵循的行為規則非常簡單，因而群體智能的實現比較方便，具有簡單性的特點。
(4)群體表現出來的複雜行為是通過簡單個體的交互過程突現出來的智能(Emergent Intelli-gence)，因此，群體具有自組織性。為了更進一步理解群體智能這個概念，本文分別從人工智慧和複雜性科學的角度對這一概念進行說明。
蟻群演算法[1]
蟻群演算法是由MDorigo等人於1991年首先提出的，是受到自然界中螞蟻群的社會性行為啟發而產生的，它模擬了實際蟻群尋找食物的過程。
在自然界中，螞蟻群總是能夠找到從巢穴到食物源之間的一條最短路徑。這是因為螞蟻在運動過程中，能夠在其所經過的路徑上留下一種被稱之為“外激素(pheromone)”的物質。該物質能夠被後來的螞蟻感知到，並且會隨時間逐漸揮發。每個螞蟻根據路徑上外激素的強度來指導自己的運動方向，並且傾向於朝該物質強度高的方向移動。因此，如果在某一路徑上走過的螞蟻越多，則積累的外激素就越多，強度就越大，該路徑在下一時間內被其它螞蟻選中的概率就越大。由於在一定時間內，越短的路徑會被越多的螞蟻訪問，所以隨著上述過程的進行，整個蟻群最終會找到從蟻穴到食物之間的最短路徑。
蟻群演算法正是利用了生物蟻群的這一特性來對問題進行求解。由於螞蟻尋食的過程與旅行商問題(Traveling Salesman Problem，簡稱TSP)的求解非常相似，所以蟻群演算法最早的應用就是TSP問題的求解。
目前，蟻群演算法已在組合優化問題求解，以及電力、通信、化工、交通、機器人、冶金等多個領域中得到應用，都表現出了令人滿意的性能。
微粒群優化演算法[1]
微粒群優化演算法最早是由Kennedy和Eber-hart於1995年提出的，是一種基於種群尋優的啟髮式搜索演算法。
其基本概念源於對鳥群群體運動行為的研究。在自然界中，儘管每隻鳥的行為看起來似乎是隨機的，但是它們之間卻有著驚人的同步性，能夠使得整個鳥群在空中的行動非常流暢優美。鳥群之所以具有這樣的複雜行為，可能是因為每隻鳥在飛行時都遵循一定的行為準則，並且能夠瞭解其鄰域內其它鳥的飛行信息。
微粒群優化演算法的提出就是借鑒了這樣的思想。在微粒群優化演算法中，每個微粒代表待求解問題的一個潛在解，它相當於搜索空間中的一隻鳥，其“飛行信息”包括位置和速度兩個狀態量。每個微粒都可獲得其鄰域內其它微粒個體的信息，並可根據該信息以及簡單的位置和速度更新規則，改變自身的狀態量，以便更好地適應環境。隨著這一過程的進行，微粒群最終能夠找到問題的近似最優解。
由於微粒群優化演算法概念簡單，易於實現，並且具有較好的尋優特性，因此它在短期內得到迅速發展，目前已在許多領域中得到應用，如電力系統優化、TSP問題求解、神經網路訓練、交通事故探測、參數辨識、模型優化等。
人工魚群演算法[2]
在一片水域巾生活的魚類一般都能找到食物豐富的地方並聚集成群，在這種群體活動中，沒有統一的協調者，而是通過魚類每個個體的自適應行為而達到目的。模擬魚類生活覓食的特性，李曉磊等人於2002年提出人工魚群演算法(AFSA)。
在此演算法中，人工魚的活動被捕述為三種典型行為：
①覓食行為：這是魚的基本行為，當發現附近有食物時，會向該方向游動；
②追尾行為：當某條魚發現該處食物豐富時，其它魚會快速尾隨而至；
③聚群行為：它們往往能形成非常龐大的群。
該演算法具有良好的求取全局極值能力，並具有對初值、參數選擇不敏感、魯棒性強、簡單易實現等諸多優點，但是當問題規模過大時求解困難並且求解初期收斂較快，後期較慢。
人工魚群演算法目前已用於組合優化”、參數估計、PID控制器的參數整定”、神經網路優化等。
混合蛙跳演算法[2]
在一片濕地中生活著一群青蛙，濕地內離散地分佈著許多石頭，青蛙通過尋找不同的石頭進行跳躍去找到食物較多的地方，每個青蛙通過尋找不同的石頭提高自己尋找食物的能力，而青蛙個體之間通過思想的交流實現信息的交換。模擬群體青蛙的覓食特性，於2003年提出混合蛙跳演算法(SFLA)。每隻青蛙都具有自己的文化，為了達到自己的目標努力，並被定義為問題的一個解。濕地的整個青蛙群體被分為不同的子群體，每個子群體有著自己文化，執行局部搜索策略。在子群體中的每個個體有著自己的文化，並且影響著其它個體．並隨著子群體的進化而進化。當子群體進化到一定階段以後，各個子群體之間再進行思想的交流實現子群體間的混合運算，一直到所設置的條件滿足為止。
混合蛙跳演算法具有全局優化與局部細緻搜索的優點，可以用來優化連續問題和離散問題，並且具有較強的魯棒性，可用於地下水管網優化設計、非線性函數優化、旅行商問題、下料問題、齒輪問題圳等。
